Автоматизируйте загрузку всех ссылок (в формате PDF) в несколько файлов PDF

Question

Я пытаюсь загрузить проблемы журнала с веб-сайта (http://cis -ca.org / islamscience1.php ). Я запустил что-то, чтобы получить все PDF-файлы на этой странице. Однако внутри этих PDF-файлов есть ссылки, которые ссылаются на другой PDF-файл.

Я хочу получать статьи о терминалах из всех ссылок PDF.

Получил все PDF-файлы со страницы: http://cis -ca.org / islamscience1.php

import os
import requests
from urllib.parse import urljoin
from bs4 import BeautifulSoup

url = "http://cis-ca.org/islamscience1.php"

#If there is no such folder, the script will create one automatically
folder_location = r'webscraping'
if not os.path.exists(folder_location):os.mkdir(folder_location)

response = requests.get(url)
soup= BeautifulSoup(response.text, "html.parser")     
for link in soup.select("a[href$='.pdf']"):
    #Name the pdf files using the last portion of each link which are unique in this case
    filename = os.path.join(folder_location,link['href'].split('/')[-1])
    with open(filename, 'wb') as f:
        f.write(requests.get(urljoin(url,link['href'])).content)

Я бы хотел получить ссылки на статьи внутри этих PDF-файлов. Заранее спасибо

Answer 1

https://mamclain.com/?page=Blog_Programing_Python_Removing_PDF_Hyperlinks_With_Python

Посмотрите эту ссылку.Он показывает, как определить гиперссылку и очистить PDF-документ.Вы можете перейти к идентификационной части, а затем выполнить операцию сохранения гиперссылки вместо очистки.

В качестве альтернативы, посмотрите на эту библиотеку: https://github.com/metachris/pdfx